ZAMANSAL FÜZYON DÖNÜŞTÜRÜCÜ (TFT) YÖNTEMİYLE YAĞIŞ TAHMİNİ

Türkçe

Geçmişten günümüze atmosferde gerçekleşen olaylar olayın gerçekleştiği çevrede tahmin yürütebilmek için araştırma konusu olmaktadır. Bu tahminler, toplanan verilerin sayısal formüllerden geçirilmesiyle oluşan sonuçların değerlendirilmesiyle gerçekleşmektedir. Teknolojinin yazılım ve donanım olarak hızla gelişmesi, literatüre yeni yöntem ve tekniklerin kazandırılmasının temelini oluşturmaktadır. Tahmin aşamasında kullanılan Yapay Sinir Ağları bu yöntemlerden biridir. Bu çalışmada geçmiş toplam küresel güneş radyasyonu, güneşlenme süresi ,rüzgar hızı, bulutluluk miktarı, nem, sıcaklık parametreleri kullanılarak Uzun Kısa Süreli Bellek (LSTM- Long Short-Term Memory) ile Zamansal Füzyon Dönüştürücü (TFT- Temporal Fusion Transformer) yöntemleri karşılaştırılmıştır. Elde edilen sonuçlar, TFT modelinin (RMSE = 0.039, MAE = 0.028, R² = 0.981) performansının, LSTM modeline (RMSE = 0.061, MAE = 0.045, R² = 0.954) göre belirgin biçimde daha yüksek tahmin doğruluğu ve genelleme yeteneği sunduğunu ortaya koymaktadır. Bu üstünlük, TFT’nin çok değişkenli meteorolojik veriler arasındaki zamansal ilişkileri gated residual network yapısı ve çok başlı dikkat (multi-head attention) mekanizması aracılığıyla etkili biçimde yakalayabilmesinden kaynaklanmaktadır; böylece kısa vadeli yağış tahmininde yaklaşık %35 düzeyinde hata azalımı elde edilmiştir.